Determinación de la potencia estadística de experimentos de rendimiento en maíz

Autores/as

  • Jorge Claudio Vargas-Rojas Universidad de Costa Rica-Sede Regional de Guanacaste. Barrió El Capulín, Liberia, Costa Rica. CP. 50101
  • Fernando García Universidad Nacional de Córdoba-Facultad de Ciencias Económicas. Bv. Enrique Barros, Ciudad Universitaria, Córdoba, Argentina. CP. X5000HRV.

DOI:

https://doi.org/10.29312/remexca.v13i4.2784

Palabras clave:

campos aleatorios, ensayo blanco, número de repeticiones, potencia de prueba, simulaciones geoestadísticas

Resumen

El análisis prospectivo de la potencia estadística de una prueba de hipótesis debería ser una de las etapas más importantes de cualquier experimento; sin embargo, se omite con frecuencia. En particular, para Costa Rica, no se encontraron investigaciones relacionadas con este tema para experimentos de rendimiento en el cultivo de maíz. El objetivo de este trabajo fue determinar la potencia estadística de un diseño completamente aleatorizado para experimentos de rendimiento en el cultivo de maíz (Zea mays) mediante la simulación de ensayos de uniformidad. Para realizar los cálculos de potencia se estimaron los parámetros del proceso de correlación espacial de un ensayo de uniformidad establecido en Santa Cruz, Costa Rica en el año 2018. Dichas estimaciones fueron utilizadas para realizar 10 000 simulaciones de campos aleatorios de mayor tamaño, lo que permitió superponer diferente número de repeticiones y estimar la potencia estadística para detectar una diferencia de 10% con respecto a la media en un experimento con un diseño completamente aleatorizado a un nivel de significación de 5%. Se obtuvo la potencia 80% con ocho repeticiones y se concluye que, bajo las condiciones experimentales de este trabajo, en ensayos de rendimiento en el cultivo de maíz, para detectar una diferencia de medias 10% a un nivel de significación 5%, se deben usar ocho o más repeticiones.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Bivand, R. S., Pebesma, E. and Gómez-Rubio, V. 2013. Applied spatial data analysis with R. 2nd (Ed.). Springer New York. https://doi.org/10.1007/978-1-4614-7618-4. 405 p. DOI: https://doi.org/10.1007/978-1-4614-7618-4

Cerritos, G.; Gómez, F. y Palma, A. 1994. Lote demostrativo fact: introducción de una nueva metodología para evaluar híbridos de maíz en fincas de agricultores. Informe Anual de Investigación, 7(1):76-79. https://bdigital.zamorano.edu/bitstream/11036/2455/1/206105-0167 - Copy.pdf.

Cohen, J. 1988. Statistical power analysis for the behavioral sciences. 2nd (Ed.). Routledge. https://doi.org/10.4324/9780203771587. 1-17 pp. DOI: https://doi.org/10.4324/9780203771587

Cohen, J. 1992. A power primer. Psychological Bulletin. 112(1):155-159. https://doi.org/ 10.1037/0033-2909.112.1.155. DOI: https://doi.org/10.1037/0033-2909.112.1.155

Cressie, N. A. C. 1993. Statistics for spatial data. 2nd (Ed.). John wiley y sons, Inc. https://doi.org/10.1002/9781119115151. 29-105 pp. DOI: https://doi.org/10.1002/9781119115151

Diggle, P. J. and Ribeiro, P. J. 2010. Model-based geostatistics. 1st (Ed.). Springer New York. https://doi.org/10.1007/978-0-387-48536-2. 227 p. DOI: https://doi.org/10.1007/978-0-387-48536-2

Gent, D. H.; Esker, P. D. and Kriss, A. B. 2018. Statistical power in plant pathology research. Phytopathology. 108(1):15-22. https://doi.org/10.1094/PHYTO-03-17-0098-LE. DOI: https://doi.org/10.1094/PHYTO-03-17-0098-LE

González-Lutz, M. I. 2008. Potencia de prueba: la gran ausente en muchos trabajos científicos. Agron. Mesoam. 19(2):309-313. DOI: https://doi.org/10.15517/am.v19i2.5015

Guedes, L. P. C.; Bach, R. T. and Uribe-Opazo, M. A. 2020. Nugget effect influence on spatial variability of agricultural data. Engenharia Agrícola. 40(1):96-104. https://doi.org/ 10.1590/1809-4430-ENG.AGRIC.V40N1P96-104/2020.

Kuehl, R. 2001. Diseño de experimentos: principios estadísticos de diseño y análisis de investigación. 2nd (Ed.). International Thomson. 1-66 pp.

Lantuéjoul, C. 2002. Geostatistical simulation: models and algorithms. 1st (Ed.). Springer-Verlag. https://doi.org/10.1007/978-3-662-04808-5. 1-17 pp. DOI: https://doi.org/10.1007/978-3-662-04808-5

Lapeña, B. P.; Wijnberg, K. M.; Stein, A. and Hulscher, S. J. M. H. 2011. Spatial factors affecting statistical power in testing marine fauna displacement. Ecological Applications. 21(7):2756-2769. https://doi.org/10.1890/10-1887.1. DOI: https://doi.org/10.1890/10-1887.1

Montgomery, D. 2019. Design and analysis of experiments. 10nd (Ed.). John Wiley y Sons. 1- 125 pp.

Murphy, K. R., Myors, B. y Wolach, A. H. 2014. Statistical power analysis: a simple and general model for traditional and modern hypothesis tests 4th (Ed.). Routledge. 229 p.

Petitgas, P.; Woillez, M.; Rivoirard, J.; Renard, D. and Bez, N. 2017. Handbook of geostatistics in R for fisheries and marine ecology. In: ICES cooperative research report. Issue 338. https://doi.org/10.17895/ices. 98-107 pp.

Pinheiro, J.; Bates, D.; DebRoy, S. and Sarkar, D. 2016. Nlme: linear and nonlinear mixed effects models. http://cran.r-project.org/package=nlme. 338 p.

Quinn, G. P. and Keough, M. J. 2002. Experimental design and data analysis for biologists. 1st (Ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511806384. 155-172 pp. DOI: https://doi.org/10.1017/CBO9780511806384

R Core Team. 2020. R: a language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

Ribeiro, P. J. and Diggle, P. J. 2001. Geor: a package for geostatistical analysis. R-News. 1(2):15-18. https://doi.org/10.1159/000323281. DOI: https://doi.org/10.1159/000323281

Richter, C. and Kroschewski, B. 2012. Geostatistical models in agricultural field experiments: investigations based on uniformity trials. Agron. J. 104(1):91-105. https://doi.org/10.2134/ agronj2011.0100. DOI: https://doi.org/10.2134/agronj2011.0100

Robledo, W. 2015. Diseño y análisis de experimentos a un criterio de clasificación. Estadística y biometría: ilustraciones del uso de Infostat en problemas de agronomía. 2nd (Ed.). Editorial Brujas. 257-285 pp.

Stroup, W. 2002. Power analysis based on spatial effects mixed models: a tool for comparing design and analysis strategies in the presence of spatial variability. J. Agric. Biol. Environ. Statistics. 7(4):491–511. https://doi.org/10.1198/108571102780. DOI: https://doi.org/10.1198/108571102780

Vargas-Rojas, J. C. 2021. Simulación de ensayos en blanco para determinar la potencia estadística de de experimentos en arroz. Agron. Mesoam. 32(1):196-208. https://doi.org/10.15517/ am.v32i1.40870.

Vargas-Rojas, J. C. y Navarro-Flores, J. R. 2020. Determinación del tamaño y la forma de unidad experimental, con el método de regresión múltiple, para ensayos de rendimiento de maíz (Zea mays), guanacaste, Costa Rica. InterSedes. 21(43):1-10. https://doi.org/10.15517/ isucr.v21i43.41972.

West, B. T., Welch, K. B., y Gałecki, A. T. 2015. Linear mixed models: a practical guide using statistical Software. 2nd (Ed.). CRC Press. 38-41 pp. DOI: https://doi.org/10.1201/b17198

Publicado

2022-06-21

Cómo citar

Vargas-Rojas, Jorge Claudio, y Fernando García. 2022. «Determinación De La Potencia estadística De Experimentos De Rendimiento En maíz». Revista Mexicana De Ciencias Agrícolas 13 (4). México, ME:591-601. https://doi.org/10.29312/remexca.v13i4.2784.

Número

Sección

Artículos